Stadtfunktionelle Gebiete konzentrieren sich auf die Optimierung der Hauptfunktion, fördern eine rationale Planung, regionales Gleichgewicht und ressourcenintensive Nutzung, die Funktion der Erkennung von Stadtvierteln hilft, ihre räumlichen Verteilungscharakteristiken zu verstehen, intensive Nutzung von Landressourcen, Optimierung der Ressourcenzuweisung und wichtige Unterstützung für die wissenschaftliche Stadtplanung und die Verbesserung des Wohnumfelds zu bieten.谷岩岩 等，2018；赵伍迪 等，2021）。

Fernerkundungsbilder reflektieren die Details der städtischen Oberfläche, das Spektrum und die räumlichen Informationen der reichen Gegenstände und werden weit verbreitet in der funktionellen Erkennung von Stadtvierteln; VGI (Volunteered Geographic Information) bietet Informationen über Orte, Interessenspunkte und andere, die der Öffentlichkeit beigetragen werden (范红超 等，2022）； In Kombination verbessern beide die Genauigkeit der funktionellen Erkennung von Stadtvierteln. Dazu bezieht sich der Point of Interest (POI) auf punktförmige geografische Entitäten, die eng mit dem täglichen Leben der Menschen verbunden sind, mit einfachen Zugriffen, einfachen Analysen und datenreichen Merkmalen, in Kombination mit künstlicher Intelligenz-Technologie können die POI-Etiketten auch die Stadtmanagement und -Entwicklung unterstützen.Psyllidis等，2022）。 Zum Beispiel:Jiang等（2015）Extrahieren Sie POI-Daten aus sozialen Medien und verwenden Sie Methoden des maschinellen Lernens zur automatisierten Klassifizierung der städtischen Landnutzung.Yuan等（2012）Die Kombination von GPS-Streckendaten von Taxis mit POI-Daten ermöglicht eine automatische Trennung für reine Stadtvierteln. Gleichzeitig kann die automatische Klassifizierung von Blockfunktionen durch Berechnung der Dichte verschiedener POI-Daten und Kombination von Methoden des maschinellen Lernens (Luo等，2023）。 Darüber hinaus können POI-Daten zur Analyse der Funktionsstruktur gemischter Stadtviertel verwendet werden (姜佳怡 等，2020）。 Gleichzeitig verbessert die Kombination von POI-Daten und Fernerkundungsbildern die Genauigkeit der funktionellen Erkennung von Stadtvierteln wieZhang等（2017）In Kombination mit hochauflösenden Satellitenbildern und POI-Daten wird ein hierarchisches, semantisches kognitives Modell vorgeschlagen, das die Funktionalität von Stadtvierteln automatisch erkennt.Xu等（2020）Die Extraktion von räumlichen und spektralen Merkmalen durch Fernerkundungsbilder und die Ergänzung von semantischen Informationen durch POI-Daten verbessern die Präzision der automatischen Erkennung von Funktionsbereichen erheblich. Die oben genannten Studien zeigen, dass POI-Daten ein breites Anwendungspotenzial in der Stadtforschung haben und eine wichtige Unterstützung für die Identifizierung von Stadtfunktionen, die Klassifizierung der Landnutzung und das Stadtmanagement bieten können. Es ist bemerkenswert, dass frühere Studien häufig das Verhältnis von Punkten von Interesse verwendet haben, um Stadtviertel-Funktionen zu identifizieren und zu klassifizieren (Gao等，2017；Zhai等，2019Diese Methode gilt jedoch nicht für Fälle, in denen die Anzahl der POIs in verschiedenen Kategorien offensichtlich ungleich ist. Zum Beispiel ist die Anzahl der kommerziellen POIs in der Regel viel größer als andere Kategorien von POIs, was dazu führt, dass einige Regionen fälschlicherweise als Geschäftsgebiete identifiziert werden. Darüber hinaus gibt es auch Forschung Anwendung Kerndichte Schätzungen zur Analyse von POI-Daten zur Identifizierung der Funktionen der städtischen Blocks (Wang等，2021Die Ergebnisse sind jedoch empfindlich für die Auswahl der Bandbreite, und eine ungeeignete Bandbreite kann zu Problemen führen, die zu übermäßiger oder weniger glatter sind und die Genauigkeit der Erkennung für die Nutzung von Stadtvierteln beeinträchtigen. Im Gegensatz zu POIs, die nur diskrete Punktinformationen liefern, bezieht sich eine AOI (Area of Interest) auf eine Vektorfläche mit Landnutzungseigenschaften, bei der jede AOI einer markierten Einheit der Stadtmarktslandschaft entspricht, die geografische Grenzen und semantische Informationen für das Verständnis der Stadtmarktslandschaft liefert. Die rasche Entwicklung von Deep-Learning-Methoden hat die Genauigkeit der Erkennung auf den bestehenden weit verbreiteten Szenenklassifizierungs-Benchmark-Datensätzen verbessert, während die geografischen Grenzen, die von AOI-Daten bereitgestellt werden, effektiv die semantische Konsistenz der Szenen aufrechterhalten, so dass die Kombination von Deep-Learning mit AOI-Daten auch einen erheblichen Vorteil bei der funktionellen Erkennung von Stadtblättern zeigt.Shi等，2025）。 zum BeispielZhong等（2023）Eine Probe aus der Kombination von AOI-Daten mit hochauflösenden Fernerkundungsbildern zur Landnutzungskartierung auf der Grundlage von Deep Learning-Methoden. Blockeinheiten, die sich aus Straßennetzen bilden, enthalten jedoch häufig mehrere AOI-Daten, und die reale Stadtmarktslandschaft besteht meist in Blockeinheiten, daher müssen Studien zur Identifizierung von Blockfunktionen mit AOI-Etiketten auf diese erheblichen Skalanunterschiede achten, die sonst zu Abweichungen im Verständnis und der Analyse der Stadtmarktslandschaft führen können.

Noch wichtiger ist, dass die Erkennung der Funktion von Stadtblättern sich auf eine einzige Funktion konzentriert, in der sich schnell entwickelnden China ist die Verwendung von Stadtblättern nicht immer einzigartig, und das Phänomen der gemischten Nutzung ist auch häufiger.Du等，2024）。 Diese Gebiete umfassen eine Vielzahl von Funktionen, wie zum Beispiel eine Mischung von Wohn- und Geschäftstypen, Nachbarschaften mit öffentlichen und geschäftlichen Funktionen. Hybridfunktionelle Viertel, die eine vielfältige Umgebung bieten, die Lebensqualität verbessern, die Ressourcenzuweisung optimieren und sich den Bedürfnissen der städtischen Entwicklung anpassen, sind für eine nachhaltige Entwicklung von entscheidender Bedeutung.Pan等，2023）。 Einige Studien begannen sich auf gemischte Verwendungen von Vierteln zu konzentrieren. zum BeispielHe等（2021）Die Kombination von hochwertigen Bildern und Geo-Big Data identifiziert den Land-Mischung-Zustand auf Blockebene, aber die Auswahl der Proben erfordert manuelle Bestimmung mit begrenzter Effizienz.Li等（2022）Durch die Kombination von POI-Daten und OSM-Netzwerkdaten zur Identifizierung von Funktionsbereichen und zur Quantifizierung ihrer internen Funktionalität wird die Funktionalität von POIs in einer Forschungseinheit quantifiziert, indem die Anteile der Anzahl der POIs pro Kategorie in einer Forschungseinheit berechnet werden.Yang等（2023）Es wurde eine Methode zur automatischen Identifizierung von gemischten Verwendungsblöcken vorgeschlagen, die auf der Verteilung von POI-Daten basiert, die Voronoi-Einheiten verwendet, die von POIs in den Blöcken aufgebaut wurden, um den Flächengewichteten Anteil jeder POI-Kategorie zu berechnen, um die Informationsentropie zu berechnen, um den Grad der Mischung in den Blöcken zu quantifizieren und das Problem des Ungleichgewichts der Anzahl von POIs in den Blöcken zu verbessern. Beide Methoden verlassen sich jedoch auf POI-Daten und sind durch Mängel wie unrechtzeitige POI-Aktualisierungen und unvollständige Abdeckung eingeschränkt, deren Genauigkeit bei der Erkennung von Zonen und der Berechnung der Mischung begrenzt ist. Obwohl die oben genannten Studien zur Funktionserkennung von Stadtblättern das Phänomen der realen Mischung berücksichtigen, ist die Nutzung von Open-Source-Daten immer noch relativ einheitlich. Zusammenfassend erkennen bestehende Blocknutzungen die Forschung automatisch oder ignorieren direkt das Vorhandensein von gemischten Blocks oder ignorieren die Mischung mehrerer Open-Source-Daten. Auf dieser Grundlage berücksichtigt dieser Artikel sowohl das Phänomen der gemischten als auch der Einzelnutzung von Stadtvierteln und stellt ein Framework für die automatische Erfassung von Proben und die Identifizierung von Blocknutzungen auf der Grundlage von Fernerkundungsbildern und geographischen Daten aus öffentlichen Quellen (Straßennetz, AOI, POI) vor. Diese Methode ermöglicht die automatische Extraktion von Proben für eine Vielzahl von Funktionstypen durch die Integration der Probenextraktionstechnik auf der Grundlage von POI-Verteilungsinformationenentropie mit einem zweistufigen Algorithmus für das Lernen von Multiview-Differenz-Informationen. Unter Berücksichtigung der Skala-Unterschiede zwischen Blocks und AOI-Einheiten wird die obige Methode sowohl auf Blocks als auch auf AOI angewendet, um die Vielfalt der Probe zu erhöhen. Die in diesem Artikel vorgeschlagenen Methoden ermöglichen die effektive Identifizierung von Single-Use- und Hybrid-Vierteln, um das funktionelle Layout in komplexen städtischen Umgebungen realistischer zu reflektieren.

Unter Berücksichtigung von Faktoren wie wirtschaftlicher Entwicklung, kultureller Bildung und klimatischen Bedingungen werden in diesem Artikel vier Städte mit erheblichen Größenunterschieden wie Peking, Hefei, Weifang und Chengdu als Forschungsgebiete ausgewählt. Peking liegt im Norden Chinas in der nordchinesischen Ebene, mit einer ständigen Bevölkerung von etwa 21.843 Millionen Menschen im Jahr 2022 und einer Urbanisierungsrate von mehr als 86 Prozent ist eine der bevölkerungsdichtsten Städte Chinas. Die Stadt Hefei liegt in der Ostchinesischen Region und hat in den letzten Jahren dank der Industriepolitik und der Einführung von Talenten ein schnelles Bevölkerungswachstum verzeichnet. Im Jahr 2022 wohnen in Hefei etwa 9.634 Millionen Menschen und die Urbanisierungsrate beträgt etwa 84%. Weifang befindet sich in der zentralen Provinz Shandong, mit einer ständigen Bevölkerung von etwa 9,4 Millionen Menschen im Jahr 2022 und einer Urbanisierungsrate von etwa 65 Prozent. Weifang ist für die Fertigung und Landwirtschaft bekannt und ist ein wichtiger Gemüseproduktionsstandort und eine Industriestadt in China. Chengdu liegt im Südwesten Chinas, im Westen des Sichuan-Beckens, mit einer ständigen Bevölkerung von etwa 21.268 Millionen Menschen im Jahr 2022 und einer Urbanisierungsrate von etwa 80 Prozent ist die bevölkerungsreichste Superstadt in der Südwesten Region. Chengdu ist wirtschaftlich entwickelt und wird von Industrien wie elektronischer Information und Biomedizin dominiert. Wir sammeln zuerst OSM-Straßenvektordaten für 2022, bestimmen anschließend auf der Grundlage des Straßennetzes der Stadt die Gebiete mit einer relativ hohen Straßenverteilungsdichte, berechnen anschließend die Bevölkerungsdichte auf der Grundlage des WorldPop-Datensatzes und wählen die Gebiete mit einer hohen Dichte als spezifische Studienbereiche für die einzelnen Städte aus.Fig. 1gezeigt. Im Gegensatz zu den anderen drei Städten ist die Straßennetzdichte im Stadtzentrum von Weifang und im Stadtkernbereich auf Bezirksebene höher, aber in den Vororten sind die Straßendaten relativ spärlich, was zu einer effektiven Blockteilung führt, so dass der Forschungsbereich der Stadt relativ verteilt ist.

Die Erdbeobachtungssatelliten der Serie Sentinel-2 bieten mit ihren maßgeschneiderten Multispektrumsensoren Fernmessbilder mit hoher räumlicher, spektraler und zeitlicher Auflösung. Band2、Band3、Band4、Band8（10 m）、Band5、Band6、Band7、Band8A、Band11、Band12（20 m）、Band1、Band9、Band10（60 m） Die Raumauflösung erfüllt die unterschiedlichsten Anforderungen an Korrektur, Vegetationsprüfung und Landklassifizierung von atmosphärischen und geophysikalischen Parametern. Die Erfassung und Verarbeitung der Fernerkundungsdaten erfolgt auf der Plattform GEE (Google Earth Engine). Diese Studie wählte Banddaten von Sentinel-2 mit 10 m und 20 m Auflösung für 2022 aus und samplte alle Bilder auf 10 m neu. Die Multiscene-Bilder wurden mit ENVI gepflegt, um das gesamte Forschungsgebiet abzudecken.

Zunächst werden die Koordinaten GCJ-02 der ursprünglichen Gauder-POI-Daten in die Koordinaten WGS-84 konvertiert, anschließend werden die POI-Daten gefiltert, um fehlende, doppelte, fehlerhafte oder nicht einheitliche Daten zu beseitigen und einige öffentliche Punkte wie öffentliche Toiletten zu beseitigen. In Bezug auf GB50137-2011 "Urban Land Classification and Planning Construction Land Standards" hat diese Studie die POI in fünf Hauptkategorien für Wohnungen, Geschäftsdienstleistungseinrichtungen, Industrie, öffentliche Verwaltung und öffentliche Dienstleistungen und Grünflächen und Platz neu klassifiziert und die Daten der kleinen Kategorien für jede POI beibehalten, um letztendlich POI-Daten zu erhalten, die Namen, große Kategorien, kleine Kategorien und Breitengrad-4-Eigenschaften enthalten.Table 1gezeigt.

Die ersten Beispiele der Stadtblockfunktionen stammen von AOI-Daten, die von Open Street Maps OSM bereitgestellt wurden. AOI bietet detaillierte geografische Informationen und umfangreiche Kategorien-Tags, die in der Regel eine Vielzahl von Einsatzkategorien abdecken. Angesichts der Tatsache, dass OSM eine Plattform für die Bereitstellung von geographischen Informationen aus öffentlichen Quellen ist, sind die Daten möglicherweise nicht vollständig genau. Um die Qualität der AOI-Daten zu beurteilen, wurden nach einer vorläufigen manuellen Untersuchung 200 Proben zufällig ausgewählt und ihre Genauigkeit durch eine Methode in Kombination mit digitalen Karten und visueller Interpretation überprüft. Die Ergebnisse zeigten einen Anteil von 6,5% an falsch markierten Stichproben, was darauf hindeutet, dass AOI-Daten als anfängliche Etiketten für Stadtblickfunktionen gerechtfertigt sind. Weiter beziehen wir unsTable 1Umstufung der AOI. Der Anteil der AOI-Datenfläche in den Forschungsgebieten Peking, Hefei, Weifang und Chengdu beträgt 16,53%, 35,20%, 28,62% und 11,00%.

Wie bereits erwähnt, sind die grundlegendsten Karteneinheiten dieser Studie die Stadtviertel, die durch das Straßennetz aufgeteilt sind. Die Studie nutzte OSM-Hauptstraßen, Nebenstraßen und Hauptstraßen als Grenzen für Stadtblöcke, beseitigte interne und nicht gültige Straßen und führte Straßentopologische Verifikationen durch, um sicherzustellen, dass alle Blockgrenzen geschlossen sind und keine Überlappungen zwischen den Grundstücken vorliegen. Dieser Schritt verhindert Abweichungen in der Blockteilung aufgrund von Straßennetzfehlern. Die präzise Überlagerung der Straßennetzschichten mit dem Fernerkundungsbild bildet die Grundeinheit der Kartierung, nämlich den Block. Die Anzahl der Viertel in Peking, Hefei, Weifang und Chengdu beträgt 5.646, 2.692, 2.854 und 4.039. In dieser Studie konzentriert sich die Blockskala auf Grundstücke, die von Straßen umgeben sind, während jede AOI eine einzelne Region mit einer bestimmten Funktion oder Eigenschaft ist, die mehrere AOIs innerhalb einer Blockeinheit enthalten kann (Fig. 2Daher gibt es deutliche Unterschiede in der Größe von Blocks und AOIs, und es können mehrere Funktionstypen von AOI-Einheiten innerhalb desselben Blocks vorhanden sein.

In diesem Artikel werden fünf Einzweckgebiete berücksichtigt, nämlich Wohngebiete, Gewerbe- und Dienstleistungsanlagen, Industriegebiete, öffentliche Verwaltung und öffentliche Dienstleistungen, Grünflächen und Plätze. In der "Klassifizierung und Planung von Stadtgebieten für den Bau von Grundstücken" werden auch Logistik-Lagergebiete, Straßen- und Verkehrseinrichtungen sowie Versorgungsanlagen erwähnt, die aufgrund ihrer kleinen Fläche und ihrer geringen Anzahl von Eigenschaften in diesem Artikel nach ihren Eigenschaften in die benachbarten Grundstückstypen eingestuft werden. Darüber hinaus ist die Verteilung der beiden Kategorien von kommerziellen und öffentlichen gemischten Wohngebieten in chinesischen Städten weit verbreitet, so dass diese Studie diese beiden gemischten Verwendungen in das Klassifizierungssystem einführt und insgesamt sieben Verwendungstypen bildet (im Folgenden als Res, Com, Ind, Pub, Gre, CR und RP bezeichnet).Table 2gezeigt. Um die Wirksamkeit der in diesem Artikel vorgeschlagenen automatisierten Klassifizierungsmethode zu überprüfen, verwenden wir eine schichtgestreckte Zufallsabtastung zum Erstellen von Testdatensätzen. Der spezifische Prozess ist wie folgt: Zunächst wird eine zufällige Stichprobe aus allen Stadtvierteln in der Studiengebiete nach sieben Funktionskategorien durchgeführt; Anschließend wird eine visuelle Interpretation in Verbindung mit Gauder-Karten durchgeführt, um die tatsächlichen funktionellen Eigenschaften der Probe einzeln zu bestätigen; Für Kategorien mit weniger als 50 Zufallsproben werden mehrere Zufallsproben ergänzt, bis sie 50 erreicht haben; Für Kategorien mit mehr als 50 Stichproben werden 50 Stichproben in einer zufälligen Stichprobe ausgewählt. Durch mehrere Runden des Screens und der Ergänzung der Probenahme wird letztlich sichergestellt, dass jede Funktionskategorie 50 verifizierte echte Proben erhält.

Dieser Artikel bietet eine integrierte, automatische Methode zur Erkennung von Blocknutzungen, die sowohl reine als auch gemischte Blöcke berücksichtigt, basierend auf geographischen Daten aus Vielzahlsquellen und Fernerkundungsbildern. Technische Routen wieFig. 3Wie gezeigt, wurde zunächst das ursprüngliche AOI verwendet, um die ursprüngliche Stichprobe des einzelnen Verwendungsbereichs neu zu klassifizieren, und anschließend wurde ein Stichprobe-Verbesserungsmodul entworfen, das aus zwei Links der POI-Verteilungsinformation-Entropie (kurz POIEntropy) und Multiview-Differenz-Informationslernen (kurz MultiDiff) gebildet wird. Insbesondere wählte POIEntropy eine qualitativ hochwertige Stichprobe des einzelnen Typs und des gemischten Typs aus, basierend auf den verschiedenen POI-Verteilungen in der Region, während MultiDiff ein Multiview-Netzwerk auf der Grundlage der oben genannten reinen Kategorienprobe baute, um die Differenzen mehrerer Modelle zu nutzen, um weitere reine und gemischte Block-Einheiten und AOI-Einheiten zu erhalten, um letztlich eine Stichprobe der Kategorie 7 der städtischen Blocknutzung zu bilden. Schließlich umfasst das Training mit Unterstützung der oben genannten automatischen Proben alle Kategorien von ResNet34-Modellen und ermöglicht die automatische Erkennung aller Blocknutzungen.

Die ursprüngliche Probe, die die automatische Erkennung der Nutzung von Stadtvierteln ermöglicht, stammt von AOI-Daten. AOI bietet detaillierte geografische Informationen und umfangreiche Kategorien-Tags, die in der Regel eine Vielzahl von Einsatzkategorien abdecken. Daher wurden sie nach einem vorläufigen manuellen Screening neu klassifiziert und in fünf einzelne Arten aufgeteilt, nämlich Wohnflächen (Res), Gewerbe- und Dienstleistungsanlagen (Com), Industrieflächen (Ind), Grünflächen und Platzflächen (Gre), öffentliche Verwaltung und öffentliche Dienstleistungen (Pub).Table 3。

Zur Überwindung der Mangel an Funktionen, die nur die Anzahl der POI-Identifizierung berücksichtigen, schlägt dieser Artikel ein Konzept des gewichteten Verhältnisses der POI-Fläche unter Berücksichtigung des Auswirkungsbereichs der POI vor. Für eine bestimmte Region wird das Flächengewichtete Verhältnis für jede POI-Kategorie durch Berücksichtigung der Gesamtzahl der POI-Kategorien in der Region, der durchschnittlichen Fläche jedes POI und der Anzahl der POI-Kategorien in der Region bestimmt. Für RegionderFlächengewichtetes Verhältnis der POI-KlasseKann passieren式（1）Berechnen:

in der Form,Zeige dieGesamtzahl der POI-Typen der Klasse;Die Nummer eins.KlasseDurchschnittliche Größe eines POI-Typs; Diese Fläche kann von POI-Standortinformationen konvertiert werden, indem Voronoi-Diagramme erstellt werden, so dass jeder POI eine Flächeneigenschaft hat;Die Region.MittelKlasse Nr.Anzahl der POI-Typen. Die Berücksichtigung des Einflussbereichs von POIs kann ein offensichtliches Ungleichgewicht in der Anzahl von POIs in verschiedenen Kategorien in herkömmlichen Ansätzen effektiv vermeiden; Darüber hinaus sind die durch Voronoi erworbenen Flächeneigenschaften objektiv, vermieden die Probleme der Bandbreiteneinstellung der Kerndichtmethode und spiegeln den tatsächlichen Einfluss verschiedener POI-Typen auf die urbane Raumgestaltung besser wider, was dazu beiträgt, die funktionellen Bereiche der Stadt genauer zu identifizieren und zu definieren.

Tatsächlich bestehen einige Stadtviertel nicht nur aus einer einzelnen Kategorie, sondern zeigen durch die Mischung mehrerer Kategorien vielfältige Eigenschaften. Um diese Vielfalt zu quantifizieren, verwenden wir das Konzept der Informationsentropie, um einen Bereich zu messen.Mischungsgrad der inneren Funktionskategorie（Mixed Diversity）， Die Berechnungsformel lautet wie folgt:

in der Form,Die Region.MittelFlächengewichtetes Verhältnis der Klasse POI;Der Wertbereich ist [0, 2,32], wenn alleKategorien ( (Flächengewichtet)gleich, also 1/5,Maximale Werte erreicht werden können . nachDer Wert kann die Region beurteilenEigenschaften der Funktionskategorie: WennNahe Null, zeigt den Bereich anDie Funktionskategorie ist eher einheitlich und mit geringer Unsicherheit, zu diesem Zeitpunkt wird die Region hauptsächlichdie Kategorie mit dem größten Wert; WennWenn der Wert höher ist, bedeutet dies, dass die Funktionskategorien innerhalb des Bereiches vielfältiger sind und die Unsicherheit höher ist.Gehört in die gemischte Kategorie. Dieser Artikel verwendet MischungSchwellenwerte zur Unterscheidung zwischen einzelnen und gemischten Bereichen. Vorhandene Studien (Yang等，2023Wir haben die Mischung Histogramme für alle Blocks und AOI-Einheiten im Intervall von 0,2 berechnet, wieFig. 4gezeigtes Sektordiagramm.Es gibt eine größere Anzahl von Blocks, die sich im Bereich [0, 0,2] befinden, der einen signifikant reinen Block repräsentiert, und anschließend beginnt die Anzahl von Blocks signifikant zu sinken, d. h. nach einem Wert über 0,2 müssen wir feststellen, welcher Wert die beste Schwelle für den reinen und gemischten Typ ist. MitMit zunehmender Größe wird die entsprechende Blockmischung deutlicher. Angenommen, ein Block besteht hauptsächlich aus zwei Kategorien von POIs, wennBei Werten von 75% und 25% entsprichtDer Wert ist 0,8. Für diese typischen gemischten Blöcke muss man sie von reinen Blöcken unterscheiden. Unter dieser Schwelle zeigte sich auch die Anzahl der Einheiten in Hefei eine deutliche Wende: Der Anteil der AOI-Einheiten stieg deutlich von 9% auf 20% (auch der Anteil der Blockprobe stieg von 7% auf 17%). Wenn eine größere Schwelle festgelegt wird, wird es eine große Anzahl von Blocks geben, die bereits hybrid waren oder AOIs als rein identifiziert werden, und die negativen Auswirkungen dieser Art von Fehlern auf den Nachfolgeprozess sind nicht wiederherstellbar, so dass diese Studie einen kleineren Schwellenwert wählt. Zusammenfassend betrachten wir in Hefei den linken Wert des Wendungsintervalls als die beste Schwelle. Andere Städte setzen ebenfalls diese Methode für Schwellenwerte ein. Die AOI- und Blockskala-Schwelle in Peking und Hefei sind identisch, beide 0,8, die AOI- und Blockskala-Schwelle in Weifang beträgt 0,8 und 0,6, während die Schwelle in Chengdu 0,8 und 1,0 beträgt.

Es gibt eine gewisse Einschränkung von POI-Daten, die sich hauptsächlich durch unvollständige Datenüberdeckung und ungleichmäßige Verteilung ausdrückt, was zu fehlenden POI-Daten innerhalb eines bestimmten AOI-Bereichs führen kann. Um diese Auslassungen zu reduzieren und die Anzahl der gemischten Bereiche zu erhöhen, wurde in diesem Artikel eine Methode zum Lernen von Informationen über Differenzen in mehreren Ansichten entwickelt. Multi-View Differential Information Learning-Methoden trainieren mehrere unabhängige Modelle, um die Vielfaltsmerkmale von Daten aus verschiedenen Perspektiven abzugraben und zu erfassen, während die einzelnen unabhängigen Modelle eine Probe basierend auf ihrer spezifischen Perspektive vorhersagen. Auf dieser Grundlage argumentiert dieser Artikel, dass Modelle mit unterschiedlichen Perspektiven eher in der Prognose eines einzigen funktionellen Blocks übereinstimmen, während Mischfunktionelle Blocks inkonsistent sind, und schlägt daher vor, funktionale Etiketten mit Abstimmungsmechanismen für solche Blocks zu verwenden. Zunächst werden die in Abschnitt 3.1 erhaltenen Single-Use-Zone-Proben mit den in Abschnitt 3.2.1 erhaltenen Single-Zone-Block-Proben zu einem erweiterten Datensatz kombiniert und anschließend gleichmäßig in N Teilmengen aufgeteilt, die jeweils für das unabhängige Training eines ResNet34-Modells verwendet werden, um ein Multiview-Netzwerkmodell zu erstellen. Anschließend werden mit diesem Modell Zonenprognosen für Blockeinheiten und AOI-Einheiten ohne POI-Verteilung durchgeführt. Statistik der Prognosen jeder Einheit auf allen Modellen: 1) Wenn alle Modellprognosen übereinstimmen, wird die Einheit als entsprechende einzige Funktionszone bestimmt; (2) Ist ein Widerspruch auftreten, aber es gibt eine Mehrheit der Meinungen (d.h. ein gemischtes Etikett), wird die Mehrheit der Etiketten als das endgültige gemischte Bereich-Etikett der Einheit zusammengesetzt. Experimente haben gezeigt, dass die Blockunterscheidung von gemischten und reinen Typen am besten funktioniert, wenn N = 3, und die spezifische Umsetzung ist wie folgt:

Eingang: 3 Modelle für die AOI-Datenprognose Etiketten:

Ausgabe: Umklassifizierte Etiketten

Berechnen Sie die Anzahl der einzelnen Etiketten:

Beurteilung der Etikettenkonsistenz:

If

Ausgabeetikette

Else if

If-Kombination = ["Com", "Res"]

Ausgabe CR

If-Kombination = ["Res", "Pub"]

Ausgabe RP

Else

Leere Werte ausgeben

Else if

Leere Werte ausgeben

Entsprechend der Methode „POI-Verteilungsinformation Entropy-Guided Urban Zone Sampling Extraction“ und der Methode „Multi-View Difference Information Learning“ wurden zuverlässige Proben mit einzelnen Zonen-Etiketten und gemischten Zonen-Etiketten erfasst und gefiltert, um schließlich eine Probe von 7 Stadtgebieten zu bilden.Fig. 5Beispiele für eine automatisch erhaltene Mischzweckzone, die sich aus Wohnflächen und Geländen für die Umgebung von kommerziellen Dienstleistungseinrichtungen zusammensetzt; Eine Probe von Wohn- und Gemeindegrundstücken besteht aus Gemeinden und Schulen innerhalb der Gemeinde. Es ist wichtig zu beachten, dass die Zahl der Proben in verschiedenen Kategorien, die in dieser Methode erhoben wurden, ungleichgewichtig ist (Table 4Daher haben wir für weniger Probenkategorien die Daten durch Vertikal-Umkehr, Diagonal-Spiegelung, Horizontal-Umkehr und 45° Drehung verbessert, um ein relatives Gleichgewicht zwischen den Probenanzahlen der verschiedenen Kategorien zu gewährleisten.

Anschließend trainierten wir mehrere klassische Netzwerke (ConvNeXt, DenseNet und ResNet) mit einer 50-Fach-Kreuzverifizierung in der endgültigen Strip-Probe und fanden heraus, dass das ResNet34-Modell am besten funktioniert. Daher wurde das ResNet34-Modell als Netzwerk erkannt und alle automatisch erhaltenen Proben trainiert, um Blockzwecke zu identifizieren. Um die Stabilität der Kartierungsergebnisse zu gewährleisten, wurden in diesem Artikel zehn unabhängige wiederholte Versuche durchgeführt, um die Klassifizierung und Kartierung aller Blöcke des Forschungsgebiets mit einer Vielzahl von Abstimmungen abzuschließen.

Um die Genauigkeit der Klassifizierungsergebnisse quantitativ zu beurteilen, verwendete die Studie die Gesamtgenauigkeit OA (Overall Accuracy), die Benutzergenauigkeit UA (User Accuracy), die Herstellergenauigkeit PA (Producer Accuracy) und die F1-Score (F1-Score) für die einzelnen Kategorien als Bewertungsindikatoren. Die Berechnungsformel für die Indikatoren lautet wie folgt:

in der Form,Anzahl der Kategorien,für dieDie Anzahl der korrekten Klassenzeichen, d. h. die Werte auf der Hauptdiagonale der Matrix zu verwechseln,Die tatsächliche Kategorie alsAls Kategorie prognostiziertAnzahl der Proben,Die tatsächliche Kategorie anzeigenAls Kategorie prognostiziertAnzahl der Proben.

Um die Qualität der Proben zu überprüfen, die durch diese Methode extrahiert wurden, wird in diesem Abschnitt die Stadt Hefei zum Beispiel verwendet, um die Änderungen in der Probenanzahl und -vielfalt durch die Einführung verschiedener Links zu vergleichen.Table 4Die Anzahl der Proben, die mit verschiedenen Methoden automatisch extrahiert wurden, ist aufgelistet, da eine einzelne AOI in der Regel einen kleineren Raumbereich und einen einzigen Funktionstyp hat und keine POI-Abdeckung innerhalb einiger AOIs hat, ist die Anzahl der Proben, die nur mit POIEntropy auf der AOI-Skala extrahiert wurden, geringer, nur 3447 Proben, die Anzahl der Proben nach der Einführung der MultiDiff-Multiview-Methode auf 6042 gestiegen ist, aber die Anzahl der Wohnflächen für öffentliche Mischflächen und Grünflächen und Platzflächen ist immer noch geringer, wenn die Blockskala als Extraktionseinheit hinzugefügt wurde, stieg die Anzahl der Proben um 28,8%, wobei das Wachstum am deutlichsten auf Industrieflächen lag. Andererseits hat die Vielfalt der Proben auch einen direkten Einfluss auf die Klassifizierungsergebnisse. Um die Vielfalt der Probe zu zeigen,Fig. 6Eine Probe eines teilweise gemischten Bereichs wird gezeigt, der mit verschiedenen Skalen als Extraktionseinheit erhältlich ist. Nehmen Sie die Daten in der ersten Zeile des Diagramms zum Beispiel, wenn nur die AOI-Skala berücksichtigt wird, werden die AOI-Daten innerhalb eines einzelnen Blocks in eine Stichprobe von zwei Kategorien von Grundstücken für gewerbliche Dienstleistungseinrichtungen und Wohnflächen klassifiziert, und wenn die Stichprobe auf die Blockskala erweitert wird, bildet die Stichprobenkombination von zwei verschiedenen Funktionskategorien eine gemischte Kategorie, die in eine Stichprobe von Grundstücken für gewerbliche Wohnflächen unterteilt wird, ähnlich wie die in der dritten Zeile dargestellte Stichprobe für Wohnflächen.

Die in diesem Artikel vorgeschlagene Methode zur automatischen Probenextraktion umfasst zwei Schlüsselknüpfe: „POIEntropy“ und „MultiDiff“. Nehmen wir Hefei zum Beispiel, verglichen wir zunächst die Effektivitätsunterschiede zwischen der Verwendung von POIEntropy allein und der gemeinsamen Verwendung der beiden Links auf der AOI-Skala. Da die Anzahl der Proben jeweils 50 ist,Table 5Der Gesamtgenauigkeitsindikator OA ist referenziell. Die Ergebnisse zeigten, dass die Kombinationsmethode von POIEntropy und MultiDiff eine bessere Leistung zeigte, mit einer Verbesserung der Genauigkeit in allen Kategorien und einer Verbesserung der Gesamtpräzision um 11,2%, insbesondere in industriellen Flächen, mit einer Verbesserung von PA um 12%, aber die Genauigkeit in Wohn- und öffentlichen gemischten Flächen (RP) blieb immer noch niedrig, was wahrscheinlich auf eine geringere Anzahl von Proben zurückzuführen war, die automatisch in der RP-Klasse erfasst wurden. Aus den Ergebnissen des vorigen Abschnitts ist ersichtlich, dass diese Verbesserung hauptsächlich darauf zurückzuführen ist, dass die Einführung von MultiDiff die Anzahl der Proben in den einzelnen Kategorien erheblich erhöhte und somit die Klassifizierungsgenauigkeit der einzelnen funktionellen Kategorien umfassend verbesserte.

In realen Szenarien existieren städtische Funktionsbereiche hauptsächlich als Blocks und die meisten AOI-Daten enthalten nur eine Funktionskategorie, daher werden Daten auf Blockskala auf der Grundlage einer Kombination der oben genannten beiden Methoden weiter eingeführt. wieTable 4Nach der Einführung der Blockskala ist die Anzahl der Identifizierung von gemischten Funktionszonen deutlich gestiegen und die Gesamtklassifizierungsgenauigkeit hat sich um 11,4% verbessert, insbesondere bei der Identifizierung von gemischten Städtezonen. Diese Verbesserung war besonders bemerkenswert für die Erkennung von Wohn-öffentlichen gemischten Grundstücken (RP) mit einer geringeren Probenanzahl, die F1-Score auf 0,759 erhöht wurde. Der F1-Score-Wert für Industrieflächen wurde ebenfalls auf 0,842 erhöht, was darauf hindeutet, dass der zweistufige Ansatz in diesem Artikel eine umfassende Verbesserung für die einzelnen Kategorien ist. vonTable 4Es ist zu sehen, dass die Grünflächen-Klasse Gre und die Residenz-öffentliche Mischklasse RP weniger automatische Proben erhielten als die übrigen Klassen, aber die Erkennungsgenauigkeit der Klasse Gre blieb stets auf einem hohen Niveau (über 90%), hauptsächlich aufgrund der relativ offensichtlichen Eigenschaften, die sie auf Fernerkundungsbildern zeigen, und der deutlichen Unterschied zu anderen funktionellen Blöcken. Für die Mischkategorie RP ist die Erkennung schwieriger, nur mit POI ist es kaum zu erkennen, nach dem in diesem Artikel vorgeschlagenen Zweischrittsverfahren kann der F1-Score 0,759 erreichen, aber die Genauigkeit des Herstellers gibt es immer noch Raum für Verbesserungen.

Fig. 7Typische Diagramme für die Ergebnisse der Identifizierung von Stadtfunktionsgebieten mit verschiedenen Methoden, wenn die Stichprobe AOI ist, werden die Blöcke in eine einzige Kategorie von Wohngebieten und umliegenden Schulen unterteilt, so dass sie nicht als gemischte Kategorie identifiziert werden können, nur als Wohngebiete oder öffentliche Verwaltung und öffentliche Dienstleistungen (z. B. Hefei 1, Hefei 3) oder falsch in andere Kategorien (z. B. Hefei 2) identifiziert werden; Bei gemischten Wohngebieten können AOI-Daten diese Gebiete normalerweise nicht abdecken, da Restaurants, Supermärkte und Convenience-Geschäfte hauptsächlich um Wohngebiete verteilt sind, und sie als Wohngebiete identifiziert werden können.

Die in diesem Artikel vorgeschlagene Methode beinhaltet sowohl eine einzelne als auch eine gemischte Zone in ein einheitliches Klassifizierungssystem, das das Training und die Klassifizierung der einzelnen Blöcke mit Hilfe eines Tiefennetzwerks nach dem automatischen Erhalt einer Probe der einzelnen Kategorien abschließt. Die Identifizierung von Funktionszonen umfasst zwei wichtige Teile der Probenextraktion und des Klassifizierungsrahmens, und um die Vorteile der gleichzeitigen Berücksichtigung von gemischten und einzelnen Funktionszonen-Kategorien zu validieren, wurden die folgenden zwei Gruppen von Vergleichsexperimenten entwickelt:

Vergleichsexperiment I: Der Probenextraktionsprozess ist in zwei Phasen unterteilt: Zunächst werden alle AOI-Daten und Blockdaten mit der POIEntropy-Methode vorläufig klassifiziert und in eine einzelne Zonenprobe und eine gemischte Zonenprobe unterteilt. Anschließend werden die vorläufig klassifizierten einzelnen Zonenproben mit der MultiDiff-Methode sekundär klassifiziert, um die Unterscheidung zwischen einzelnen und gemischten Zonen weiter zu verfeinern, und die erhaltenen Proben werden anschließend in das gleiche Netzwerk eingegeben, um das Modell zu trainieren.

Vergleichsexperiment II: Verwenden Sie das gleiche Probenextraktionsschema wie im Vergleichsexperiment I und verwenden Sie den endgültig erhaltenen Einzelzonenprobensatz und den gemischten Zonenprobensatz als unabhängige Trainingsdatensätze für den Modellbau.

Nehmen wir die Stadt Hefei zum Beispiel,Table 6Die Präzisionsbewertung der beiden Vergleichsmethoden, die in der Stadt angewendet wurden, wird gezeigt. Bei derselben Testprobe war die PA-Genauigkeit im Vergleichsexperiment I in der Klasse CR für gewerbliche und wohnliche gemischte Grundstücke besser als bei anderen Methoden, aber in anderen Grundstückskategorien war die Genauigkeit niedriger, insbesondere bei der Identifizierung von Wohngrundstücken, wobei die PA nur 24% betrug. Vergleichsexperiment II hat einen Vorteil bei der Erkennung der Klasse CR für gewerbliche und öffentliche gemischte Grundstücke, deren Erkennungsgenauigkeit für die Klasse RP für gewerbliche und öffentliche gemischte Grundstücke immer noch niedrig ist; Allerdings ist die Methode schlechter für die Identifizierung einer einzelnen Kategorie von Grundstücken, wie z. B. für öffentliche Verwaltung und öffentliche Dienstleistungen, sowie für gewerbliche Grundstücke mit PA-Werten von weniger als 60%, mit einem F1-Score-Wert von nur 0,547 für gewerbliche Grundstücke, mit offensichtlichen Auslassungen und Fehlern. Diese Methode ist in der allgemeinen Genauigkeit besser, insbesondere bei der Identifizierung von Wohnflächen, öffentlichen Verwaltungs- und öffentlichen Dienstleistungsflächen und gemischten Wohnflächen, hauptsächlich weil diese Multiskala-Probenextraktionsstrategie dazu beiträgt, die Unterschiede zwischen den Skalen und komplementäre Informationen vollständig zu erfassen und die Vielfalt der Proben zu erhöhen. Darüber hinaus ermöglicht der einheitliche Ansatz des Trainings es dem Modell, ergänzende Informationen von AOI-Daten und Blockdaten in einem einzigen Rahmen zu integrieren, um sich besser an die Komplexität der städtischen Gebiete anzupassen und die Gesamtleistung und die Prognosegenauigkeit des Modells erheblich zu verbessern.

Fig. 8Eine Verwirrungsmatrix von vier Städten im Forschungsgebiet wird dargestellt. Die OA in der Region Peking beträgt 72,9%, die Genauigkeit der Erkennung von Grünflächen und Platzflächen (Gre) ist ausgezeichnet; Auch die Genauigkeitsraten für Industrieland (Ind) und Wohnland (Res) sind mit 72% bzw. 80% höher. Gemischte Grundstücke (CR), gemeinschaftliche Grundstücke (RP) und Grundstücke (Com) für die Dienstleistungsindustrie sind mit einer Korrektheit von über 60 % gut beurteilt worden. Die Hefei-Region hat sich in den Kategorien Gre, Pub, Ind und Com besser ausgebildet, die Genauigkeit ist höher als 80%, die Gesamtzahl von OA beträgt 78,3%, aber es gibt eine gewisse Mischung zwischen CR und Res, RP und Pub. Weifang Region OA ist 73,4%, von denen Com, Pub Klasse Erkennung Genauigkeit von mehr als 80%, erwähnenswert ist, dass CR Klasse Erkennung Genauigkeit von 80%, das Ergebnis ist besser als andere Städte ähnliche Studien, RP und Res Erkennung Wirkung ist relativ schlecht. Die Gesamtgenauigkeit beträgt 75,1%, wobei die Klasse Gre immer noch eine hohe Erkennungsgenauigkeit aufrechterhalt; Die Genauigkeit von Com und Pub beträgt sowohl mehr als 80%, wobei die Genauigkeit der Pub-Kategorie mit 92% besonders hervorragend ist. Die Genauigkeit der Erkennung von Res für Wohngebiete beträgt 60%, und einige der Proben wurden falsch als CR für gemischte Wohngebiete aufgeteilt, was eine hohe Ähnlichkeit in den Bildern der beiden Kategorien widerspiegelt. Zusammenfassend, obwohl die Anzahl der automatisch extrahierten Proben der Klasse Gre geringer ist (Table 4Aber die Eigenschaften, die sie auf Fernerkundungsbildern zeigen, sind einzigartig und unterscheiden sich deutlich von anderen funktionellen Blöcken, so dass die Genauigkeit der Erkennung aller Klassen Gre zufriedenstellend ist.

In der Erkennung der städtischen Funktionsgebiete in vier Städten ist die Genauigkeit der Erkennung von Gewerbebewohnungen in der Regel niedriger als in anderen Kategorien, die möglichen Gründe für die Analyse sind wie folgt: (1) Gewerbebewohnungen enthalten in der Regel niedrige Geschäfte und hohe Wohngebäude, während das Gewerbebewohnungsland in der Dienstleistungsindustrie hauptsächlich reine Gewerbegebäude ist, die sich teilweise als Kombination von Untergeschäften und hohen Bürogebäuden ausdrücken, diese beiden Arten zeigen ähnliche räumliche Formen und spektrale Texturen auf Fernerkundungsbildern, diese Ähnlichkeit führt dazu, dass einige Gewerbebewohnungen falsch als Gewerbebewohnungen eingestuft werden; (2) Wohngebiete (insbesondere Gebiete mit mittlerer und hoher Dichte) bestehen in der Regel aus hochgeschossigen oder mehrstöckigen Wohngebäuden, wobei der Wohnbereich eines gemischten Grundstücks für gewerbliche Wohnungen häufig in architektonischer Form, Dichte und spektralen Eigenschaften näher an solche Wohngebiete liegt. Dadurch entsteht eine Verwirrung zwischen der Identifizierung von gemischten Gewerbe- und Wohngrundstücken. Eine weitere mögliche Ursache für die relativ niedrige Genauigkeit der oben genannten Kategorien-Erkennung ist, dass die Studie nur Sentinel II-Fernerkundungsbilder verwendet hat, um Blockfunktionelle Erkennungsmerkmale bereitzustellen, ohne ausreichende Berücksichtigung von semantischen Informationen wie POI, AOI und Fernerkundungsmerkmale mit höherer Auflösung.

Fig. 9Darüber hinaus zeigen die Ergebnisse der Kartierung der Blocknutzung in den vier Forschungsgebieten, die Analyse der funktionellen Unterscheidung der Anordnung, kann festgestellt werden: in den Einzweckblöcken der Stadt Peking, die Wohnfläche in der zentralen Region dominiert, die öffentliche Verwaltung und die öffentliche Dienstleistung in der Kerngebiete diskrete Verteilung des Musters und konzentriert sich hauptsächlich auf die Universitätsstadte im Nordwesten der zentralen Stadt, die kommerziellen Dienstleistungseinrichtungen sind zwar weit verbreitet in der ganzen Stadt, aber in der städtischen Kerngebiete sind relativ wenig, die Grünflächen und die Plätze sind hauptsächlich in der Umgebung der Stadt verteilt und sporadisch in der zentralen Region verteilt (hauptsächlich in Parks und Landschaftsgärten), die Industrieflächen sind hauptsächlich an den Stadtranden konzentriert; Gemischte Kategorie Stadtfunktionelle Gebiete machen etwa 21,4% aus, von denen die zentrale Region vor allem von kommerziellen Wohngebäuden für gemischte Zwecke (80% der gemischten Funktionsgebiete) ist, was hauptsächlich darauf zurückzuführen ist, dass die Umgebung des Kerngebiets der Stadt Peking hauptsächlich aus Gemeinden und unterstützenden Einrichtungen der kommerziellen Dienstleistungen besteht.

In Hefei Single-Use-Gebieten ist die Wohnflächendichte relativ niedrig und konzentriert sich hauptsächlich auf den Stadtkern und die südlichen Gebiete; Die öffentliche Verwaltung und die öffentliche Dienstleistung haben eine gleichmäßige Verteilung und eine geringe Gesamtdichte; Eine ausgewogene Flächenverteilung für die Einrichtungen der kommerziellen Dienstleistungsbranche, die in der Regel neben Industrie- und Wohnflächen liegen; Grünflächen und Plätze sind gleichmäßig abgedeckt und das Grünungsniveau in der Stadt ist deutlich besser als in anderen Städten; Industriegebiete dominieren am Stadtrand und konzentrieren sich hauptsächlich auf zwei große Gebiete im Nordosten und Südwesten. Gemischte Kategorie Funktionsgebiete machen 28,2% aus, deren Flächenverteilung erheblich unterschiedlich ist: Der Kerngebiet der Stadt besteht in der Regel aus Wohngebieten mit begleitenden Geschäftsplätzen und Märkten, und der Anteil der gemischten Wohnflächen beträgt bis zu 83%; Aufgrund der Kombination von Wohngebieten und Schulen in einigen Gebieten bildet die Mischung von Wohn- und öffentlichen Diensten eine hohe Dichteverteilung in den Kernbereichen.

Weifang Stadt eine Kategorie Funktionsgebiete, Wohnfläche in der gesamten Verteilung ist relativ gleichmäßig, konzentriert sich hauptsächlich auf den Kern der einzelnen Gebiete, öffentliche Verwaltung und öffentliche Dienstleistungen, die Gesamtmenge der Flächen ist gering, gleichmäßig verteilt innerhalb der zentralen Gebiete, der gesamte Anteil der Einrichtungen der kommerziellen Dienstleistungsindustrie ist relativ niedrig, hauptsächlich in den Kerngebieten der zentralen Gebiete verteilt, grüne Flächen und Plätze sind am meisten entlang der Peripherie der Gebiete, vor allem im Südwesten des zentralen Gebietes und im Nordwesten der Region 1 entlang des Flusses am stärksten konzentriert, der Anteil der industriellen Flächen beträgt bis zu 47%, in der zentralen Stadtgebiete ist ringsförmig verteilt, in anderen Gebieten dominiert, die industrielle Entwicklung der Stadt Weifang voll widerspiegelt. Gemischte Kategorie Funktionsgebiete machen 22,8% aus, von denen gemischte Wohnflächen für kommerzielle Zwecke etwa 91% ausmachen, ihre räumliche Verteilung ist im Einklang mit anderen Städten, die in den Zentren der Gebäude der Gebäude dichte Gebiete bilden, sind jedoch durch die Verteilung der Ressourcen der Hochschulbildung beschränkt, die Wohn- und öffentliche Dienstleistungsgebiete sind deutlich niedriger als in anderen Städten, hauptsächlich aus Wohngebieten und unterstützenden Bildungseinrichtungen und Verwaltungseinheiten bestehen.

In den reinen Verwendungsblöcken von Chengdu beherrscht die Wohnfläche in der Anzahl und die Flächenverteilung im gesamten Forschungsgebiet ist relativ gleichmäßig, die Größe der öffentlichen Verwaltung und der öffentlichen Dienste ist relativ begrenzt, hauptsächlich in der zentralen Stadtgebiete verteilt, die industriellen Flächen zeigen bemerkenswerte räumliche Konzentrationscharakteristiken, die sich mehr auf die Umgebung der Stadt konzentrieren, die grünen Flächen und die Plätze konzentrieren sich auf die Außenbereiche der zentralen Stadtgebiete, mit ringförmigen Charakteristiken, die kommerziellen Dienstleistungseinrichtungen sind relativ gleichmäßig im gesamten Gebiet abgedeckt; Gemischte Kategorien machen 37,8 Prozent der gesamten Funktionsbereiche aus, was einen deutlich höheren Anteil als in anderen Vergleichsstädten darstellt. In der gemischten Funktionsflächen dominiert das gemischte Wohnland (ca. 97%) und ist konzentriert auf den städtischen Kernbereich verteilt, was sich hauptsächlich durch den relativ niedrigen Anteil an gemischten Wohngebieten, die aus Wohngebieten und Geschäftsanlagen bestehen, und eine gleichmäßige Verteilung in der zentralen Region zeigt.

Gemischte Verwendungsphänomene in Stadtvierteln sind aufgrund der beschleunigten Urbanisierung häufig geworden, aber die vorhandenen Studien konzentrieren sich weniger auf diese Phänomene, weshalb dieser Artikel eine Methode zur automatischen Erkennung von Stadtvierteln vorschlägt, die sowohl reine als auch gemischte Verwendungszwecke berücksichtigt, basierend auf einer Vielzahl von Open-Source-Daten (Sentinel II-Bilder, AOI- und POI-Daten). Zunächst wird die POI-basierte verteilte Informationsentropie die ursprüngliche Probe der Blockfunktion in eine einzelne Funktion und eine gemischte Funktion unterteilen und dann die Einführung einer Methode zum Lernen von Informationen mit mehreren Ansichten zur Erhöhung der Anzahl der Proben in den einzelnen Kategorien, insbesondere um die Anzahl der Proben in den gemischten Kategorien erheblich zu erhöhen. Darüber hinaus, unter Berücksichtigung der skalarischen Unterschiede zwischen Block- und AOI-Einheiten, schlägt dieser Artikel die Idee der Multi-Scale-Probenfusion vor, um eine Probe aus einer gemischten Funktionskategorie auf Blockskala erfolgreich zu extrahieren und die Vielfalt der Probe zu erhöhen. Die in diesem Artikel vorgeschlagene Methode beträgt die Gesamtgenauigkeit von 72,9%, 78,3%, 73,4% und 75,1% in den vier Städten Peking, Hefei, Weifang und Chengdu. Dieses Ergebnis bestätigt die Machbarkeit dieser Methode zur automatischen Extraktion von Single- und Mixed-Use-Stadtblättern und bildet eine solide Grundlage für Anwendungen zur Identifizierung großflächiger Stadtblätter. Gleichzeitig gibt es einige Einschränkungen in diesem Artikel, zuerst ist die Methode durch die geringe POI-Daten oder schlechte AOI-Qualität eingeschränkt, in Zukunft müssen mehr Open-Source-Daten in Betracht gezogen werden, um sie zu unterstützen, eine Vielzahl von logischen Regeln zu verwenden, um das Problem der Nichtübereinstimmung zwischen Open-Source-Daten zu beheben, oder Open-Source-Big-Language-Modelle zu verwenden, um genaue und vielfältige POIs und AOI-Daten zu ergänzen.Shi等，2025）。 Darüber hinaus werden zukünftig Verbesserungen der Identifizierungskonstruktion speziell für kleine Probenmischkategorien erforderlich sein. Und dieser Artikel basiert hauptsächlich auf der Open-Source-Sentinel-II-Bilderkennungsblockfunktion und kann in Zukunft die semantischen Informationen über die Blockfunktion mit räumlichen Details der inländischen High-Score-Fernerfassungsdaten sowie POI, AOI und anderen Daten weiter berücksichtigen.